Ricardo Ribeiro, D. Leitão, L. Dinis, Aida Ferreira
{"title":"A ultrassonografia enquanto método para caracterização do tecido adiposo abdominal","authors":"Ricardo Ribeiro, D. Leitão, L. Dinis, Aida Ferreira","doi":"10.25758/SET.2213","DOIUrl":null,"url":null,"abstract":"Objetivo – Comparar a espessura do tecido adiposo subcutâneo, pre-peritoneal e visceral medida por ultrassonografia (US) e relaciona-la com o valor do Indice de Massa Corporal (IMC). Metodos – Duzentos e dezoito voluntarios (177 do genero feminino e 41 do masculino, entre os 18 e os 33 anos de idade e IMC entre 20,03 e 37,27kg/m2 ) foram submetidos a uma avaliacao antropometrica (peso, altura, perimetro abdominal e questoes sobre o estilo de vida) e a uma ultrassonografia abdominal. Resultados – A US permitiu quantificar e classificar de forma objetiva e reprodutivel o tecido adiposo subcutâneo, pre-peritoneal e visceral, para p<0,01. A correlacao de Pearson (com p<0,01) nao evidenciou variabilidade interobservador nas medicoes por US do tecido adiposo subcutâneo (r=0,9871), pre-peritoneal (r=0,9003) e visceral (r=0,9407). Identificou-se uma correlacao linear forte entre o IMC com o tecido adiposo subcutâneo (r=0,64) e uma correlacao moderada com o pre-peritoneal (r=0,56). Verificou-se que a US consegue classificar o genero (masculino/feminino) com base nas espessuras do tecido adiposo intra-abdominal, perimetro abdominal e IMC com uma exatidao total de 86,69%. Conclusoes – A US demonstra ser um metodo objetivo e capaz na caracterizacao e diferenciacao do tecido adiposo intra-abdominal. A utilizacao combinada de dados demograficos (excepto peso e altura) e US permite uma correta estimativa do IMC. Estudos futuros sao necessarios para se perceber a utilidade das frameworks de Deep Learning na detecao automatica dos diferentes tipos de tecido adiposo abdominal, garantindo assim a possibilidade de a US se tornar um metodo preventivo e rapido para avaliacao da obesidade.","PeriodicalId":30555,"journal":{"name":"Saude Tecnologia","volume":"1 1","pages":"13-21"},"PeriodicalIF":0.0000,"publicationDate":"2020-03-26","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Saude Tecnologia","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.25758/SET.2213","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 0
Abstract
Objetivo – Comparar a espessura do tecido adiposo subcutâneo, pre-peritoneal e visceral medida por ultrassonografia (US) e relaciona-la com o valor do Indice de Massa Corporal (IMC). Metodos – Duzentos e dezoito voluntarios (177 do genero feminino e 41 do masculino, entre os 18 e os 33 anos de idade e IMC entre 20,03 e 37,27kg/m2 ) foram submetidos a uma avaliacao antropometrica (peso, altura, perimetro abdominal e questoes sobre o estilo de vida) e a uma ultrassonografia abdominal. Resultados – A US permitiu quantificar e classificar de forma objetiva e reprodutivel o tecido adiposo subcutâneo, pre-peritoneal e visceral, para p<0,01. A correlacao de Pearson (com p<0,01) nao evidenciou variabilidade interobservador nas medicoes por US do tecido adiposo subcutâneo (r=0,9871), pre-peritoneal (r=0,9003) e visceral (r=0,9407). Identificou-se uma correlacao linear forte entre o IMC com o tecido adiposo subcutâneo (r=0,64) e uma correlacao moderada com o pre-peritoneal (r=0,56). Verificou-se que a US consegue classificar o genero (masculino/feminino) com base nas espessuras do tecido adiposo intra-abdominal, perimetro abdominal e IMC com uma exatidao total de 86,69%. Conclusoes – A US demonstra ser um metodo objetivo e capaz na caracterizacao e diferenciacao do tecido adiposo intra-abdominal. A utilizacao combinada de dados demograficos (excepto peso e altura) e US permite uma correta estimativa do IMC. Estudos futuros sao necessarios para se perceber a utilidade das frameworks de Deep Learning na detecao automatica dos diferentes tipos de tecido adiposo abdominal, garantindo assim a possibilidade de a US se tornar um metodo preventivo e rapido para avaliacao da obesidade.